基于深度学习的工业自动化包装缺陷检测方法

发布时间：2023-02-16 09:42

　　目的针对目前工业自动化生产中基于人工特征提取的包装缺陷检测方法复杂、专业知识要求高、通用性差、在多目标和复杂背景下难以应用等问题,研究基于深度学习的实时包装缺陷检测方法。方法在样本数据较少的情况下,提出一种基于深度学习的Inception-V3图像分类算法和YOLO-V3目标检测算法相结合的缺陷检测方法,并设计完整的基于计算机视觉的在线包装缺陷检测系统。结果实验结果显示,该方法的识别准确率为99.49%,方差为0.000 050 6,只使用Inception-V3算法的准确率为97.70%,方差为0.000 251。结论相比一般基于人工特征提取的包装缺陷检测方法,避免了复杂的特征提取过程。相比只应用图像分类算法进行包装缺陷检测,该方法在包装缺陷区域占比较小的情况下能较明显地提高包装缺陷检测精度和稳定性,在复杂检测背景和多目标场景中体现优势。该缺陷检测系统和检测方法可以很容易地迁移到其他类似在线检测问题上。

【文章页数】：10 页

【文章目录】：
1 系统结构
2 包装缺陷检测理论
    2.1 YOLO-V3缺陷区域检测
        2.1.1 缺陷检测网络结构
        2.1.2 缺陷区域检测原理
    2.2 Inception-V3缺陷识别
        2.2.1 缺陷识别网络结构
        2.2.2 网络修改和迁移学习
3 缺陷检测实例
    3.1 数据集构建
        3.1.1 数据采集和增强
        3.1.2 数据集组成
    3.2 模型训练
        3.2.1 YOLO-V3模型训练
        3.2.2 Inception-V3迁移学习
4 模型部署
    4.1 TensorFlow Serving服务
    4.2 采集端硬件和信息接收端
5 结语



本文编号：3743982